【RL】Vanilla Policy Gradient（VPG）

policy gradient的基本思想，是把總的獎勵表示爲策略的函數，然後對這個函數做優化。在這一章中，我們將詳細地講解這個函數具體的形式是怎麼樣的、如何求出策略梯度，理解policy gradient這個算法的基本框架。 關於MDP中動作與狀態是否是連續變量，一共有四種不同的組合。其中，狀態是有限分類變量的情況是不適合採用神經網絡的，所以在這裏不予討論。在本章中，主要要考慮的情況是狀態 s s

>>阅读原文<<